本發(fā)明涉及一種基于可變尺度能量分解與sr的滾動(dòng)軸承故障分類(lèi)方法，屬于機(jī)械故障分類(lèi)及信號(hào)處理領(lǐng)域。

背景技術(shù)：

1、在工業(yè)生產(chǎn)活動(dòng)中，為了保持機(jī)械設(shè)備的正常運(yùn)行，對(duì)其進(jìn)行及時(shí)的故障診斷極為重要。機(jī)械設(shè)備一旦發(fā)生故障，造成的經(jīng)濟(jì)損失不可估量，甚至可能造成人員傷亡。因此，為了及時(shí)防范故障的發(fā)生，尋找一種高準(zhǔn)確率的故障診斷方法尤為重要。滾動(dòng)軸承作為現(xiàn)代機(jī)械設(shè)備中最常見(jiàn)的零部件之一，被廣泛應(yīng)用于冶金、化工、機(jī)械制造等多個(gè)領(lǐng)域。機(jī)械設(shè)備在運(yùn)行過(guò)程中，大多都會(huì)發(fā)生振動(dòng)現(xiàn)象，設(shè)備的不同狀態(tài)會(huì)發(fā)生不同的振動(dòng)，可通過(guò)采集的振動(dòng)數(shù)據(jù)，對(duì)機(jī)械的運(yùn)行狀態(tài)進(jìn)行識(shí)別。因此，基于振動(dòng)數(shù)據(jù)的特征提取，深度挖掘故障特征，是對(duì)滾動(dòng)軸承故障診斷的重點(diǎn)之一。

2、信號(hào)分解是目前廣泛的數(shù)據(jù)處理方法之一，常用其對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行處理，將滾動(dòng)軸承振動(dòng)信號(hào)分解為多個(gè)不同的分量，以此濾除信號(hào)中與故障特征信號(hào)無(wú)關(guān)的信號(hào)，得到包含故障特征占比更多的信號(hào)，實(shí)現(xiàn)滾動(dòng)軸承故障振動(dòng)信號(hào)的分類(lèi)任務(wù)。但現(xiàn)有的信號(hào)分解算法大多都是以某一單一的固定模式將信號(hào)分解為多個(gè)分量，難以實(shí)現(xiàn)對(duì)信號(hào)的精準(zhǔn)分解，達(dá)不到令人更加滿(mǎn)意的要求，故滾動(dòng)軸承故障分類(lèi)的準(zhǔn)確率也難以提高。

3、因此，找尋一種故障信號(hào)處理方法，提高滾動(dòng)軸承故障分類(lèi)的準(zhǔn)確率是本領(lǐng)域技術(shù)待提高的關(guān)鍵問(wèn)題之一。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述問(wèn)題，本發(fā)明提供了一種基于可變尺度能量分解與sr的滾動(dòng)軸承故障分類(lèi)方法，來(lái)提高故障分類(lèi)的準(zhǔn)確率。利用vsed算法對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行多次分解，并計(jì)算各個(gè)短期趨勢(shì)分量的頻率，選取包含有故障頻率幅值較大的分量；然后利用sr對(duì)該分量進(jìn)行降噪處理；最后劃分好數(shù)據(jù)集，利用elm對(duì)不同的故障數(shù)據(jù)進(jìn)行識(shí)別分類(lèi)。

2、本發(fā)明采用的技術(shù)方案是：一種基于可變尺度能量分解與sr的滾動(dòng)軸承故障分類(lèi)方法，具體步驟如下：

3、a1：首先利用vsed算法對(duì)滾動(dòng)軸承原始振動(dòng)信號(hào)進(jìn)行多次分解，得到若干短期趨勢(shì)分量。

4、a2：計(jì)算得到的若干個(gè)短期趨勢(shì)分量的頻率信息，并選取其中故障頻率幅值較大的分量。

5、a3：利用sr對(duì)步驟a2得到的分量進(jìn)行降噪處理。

6、a4：將步驟a3得到的信號(hào)，隨機(jī)劃分?jǐn)?shù)據(jù)集，利用elm作為分類(lèi)器，對(duì)滾動(dòng)軸承狀態(tài)進(jìn)行識(shí)別。

7、具體地，所述步驟a1中vsed算法原理如下：

8、給定一個(gè)待分解信號(hào)，定義一個(gè)信號(hào)提取算子，用于從原始待分解信號(hào)中提取低頻信息，并保留在長(zhǎng)期趨勢(shì)分量中，剩余的分量即為含有高頻信息的短期趨勢(shì)分量，具體如下式所示：

9、

10、其中，為長(zhǎng)期趨勢(shì)分量，為余下的短期趨勢(shì)分量。

11、假設(shè)為時(shí)間序列實(shí)值信號(hào)，使用表示實(shí)值信號(hào)的局部極值，為了方便，定義。在區(qū)間上定義與，并且在區(qū)間上可用，于是，定義一個(gè)信號(hào)提取算子，在連續(xù)的局部極值點(diǎn)區(qū)間上，利用正態(tài)分布的概率密度函數(shù)生成高斯濾波模板，正態(tài)分布的密度函數(shù)如下所示：

12、

13、按照下式進(jìn)行基線(xiàn)信號(hào)的提取：

14、

15、為高斯濾波函數(shù)，根據(jù)，，得到窗口大小為3的高斯濾波模板進(jìn)行濾波處理。其中，令，且。可得到，即。

16、其次。且根據(jù)下式計(jì)算：

17、

18、其中，，通常取。且根據(jù)下式計(jì)算：

19、

20、其中，，通常取。

21、根據(jù)經(jīng)過(guò)一次分解后得到一個(gè)長(zhǎng)期趨勢(shì)分量定義短期趨勢(shì)分量，如下式所示：。

22、

23、該分解算法可將信號(hào)按照頻率的不同進(jìn)行提取，長(zhǎng)期趨勢(shì)分量中往往包含著低頻率的信息，而高頻信息保留在了短期趨勢(shì)分量中。若想得到多個(gè)分量，進(jìn)行多次分解即可。

24、具體地，所述步驟a3中的sr降噪處理，所用的sr系統(tǒng)為：

25、

26、其中，參數(shù)，為上述sr系統(tǒng)的輸入信號(hào)，為上述sr系統(tǒng)的輸出信號(hào)。

27、具體的，所述步驟a4中將sr的輸出信號(hào)作為elm的輸入。

28、其中，elm的原理如下：

29、elm是典型的單隱層的前饋神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層和輸出層構(gòu)成，設(shè)隱含層神經(jīng)元個(gè)數(shù)為個(gè)，輸入層有個(gè)神經(jīng)元，輸出層有個(gè)神經(jīng)元，設(shè)具有個(gè)樣本的訓(xùn)練集輸入矩陣和輸出矩陣分別為：

30、

31、設(shè)隱含層神經(jīng)元激活函數(shù)為，網(wǎng)絡(luò)輸出矩陣為：

32、

33、其中，ω表示輸入層與隱含層之間的連接權(quán)值，為隱含層的神經(jīng)元閾值，

34、上式可表示為：

35、其中，為輸出矩陣的轉(zhuǎn)置；為隱含層輸出矩陣，其具體形式為：

36、

37、當(dāng)激活函數(shù)無(wú)限可微時(shí)，ω和在網(wǎng)絡(luò)訓(xùn)練前可隨機(jī)確定，且在為網(wǎng)絡(luò)訓(xùn)練的過(guò)程中保持不變。則可以通過(guò)求解以下方程組的最小二乘解獲得；。

38、

39、其解為

40、本發(fā)明的有益效果是：

41、（1）本發(fā)明提出的vsed算法，在信號(hào)分解的過(guò)程中，通過(guò)改變參數(shù)實(shí)現(xiàn)信號(hào)分解效果的調(diào)整，具有可調(diào)參數(shù)多，信號(hào)分解效果好的優(yōu)點(diǎn)。

42、（2）本發(fā)明引入的sr系統(tǒng)能夠?qū)sed算法得到的信號(hào)進(jìn)行吸噪處理，放大微弱故障信號(hào)，凸顯故障特征。

43、（3）本發(fā)明引入的elm分類(lèi)器，其僅經(jīng)過(guò)一次計(jì)算即可得到最優(yōu)解，具有運(yùn)行速度極快，泛化性能極好的優(yōu)點(diǎn)。

技術(shù)特征：

1.一種基于可變尺度能量分解與sr的滾動(dòng)軸承故障分類(lèi)方法，其特征在于：具體步驟如下：

2.根據(jù)權(quán)利要求1所述的一種基于可變尺度能量分解與sr的滾動(dòng)軸承故障分類(lèi)方法，其特征在于：所述步驟a1中可變尺度能量分解算法原理如下：

3.根據(jù)權(quán)利要求1所述的一種基于可變尺度能量分解與sr的滾動(dòng)軸承故障分類(lèi)方法，其特征在于：所述步驟a1中的vsed算法，將其與sr結(jié)合共同構(gòu)建滾動(dòng)軸承信號(hào)的處理方法；利用vsed算法提取含有故障頻率的分量；利用sr對(duì)微弱的故障信號(hào)進(jìn)行放大。

技術(shù)總結(jié)
本發(fā)明涉及一種基于可變尺度能量分解與SR的滾動(dòng)軸承故障分類(lèi)方法，屬于故障分類(lèi)與信號(hào)處理領(lǐng)域，具體是基于提出可變尺度能量分解（VSED）與隨機(jī)共振（SR）結(jié)合構(gòu)成V?S?System的滾動(dòng)軸承故障分類(lèi)方法。首先利用VSED對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行多次分解，并通過(guò)計(jì)算各個(gè)分量的頻率，選取故障頻率幅值較大的信號(hào)作為SR系統(tǒng)的輸入信號(hào)；然后，利用SR對(duì)該分量進(jìn)行處理；最后，利用極限學(xué)習(xí)機(jī)（ELM）對(duì)處理的信號(hào)進(jìn)行分類(lèi)，實(shí)現(xiàn)對(duì)滾動(dòng)軸承信號(hào)的狀態(tài)識(shí)別。本發(fā)明提供了一種全新的信號(hào)分解方法，并將其應(yīng)用于滾動(dòng)軸承故障分類(lèi)，能夠進(jìn)行有效的故障狀態(tài)識(shí)別。該方法具有可調(diào)參數(shù)多，原理簡(jiǎn)單，故障分類(lèi)準(zhǔn)確率高的優(yōu)點(diǎn)。

技術(shù)研發(fā)人員：席在芳,趙啟政,于文新,肖求美
受保護(hù)的技術(shù)使用者：湖南科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10